I251 – Neuroinformationsverarbeitung

Modul
Neuroinformationsverarbeitung
Neural Computing
Modulnummer
I251 [I-251]
Version: 2
Fakultät
Informatik/Mathematik
Niveau
Bachelor/Diplom
Dauer
1 Semester
Turnus
Wintersemester
Modul­verantwortliche/-r

PD Prof. Dr.-Ing. habil. Hans-Joachim Böhme
hans-joachim.boehme(at)htw-dresden.de

Dozierende

PD Prof. Dr.-Ing. habil. Hans-Joachim Böhme
hans-joachim.boehme(at)htw-dresden.de

Lehrsprache(n)

Deutsch

ECTS-Credits

5.00 Credits

Workload

150 Stunden

Lehrveranstaltungen

4.00 SWS (2.00 SWS Vorlesung | 1.00 SWS Übung | 1.00 SWS Praktikum)

Selbststudienzeit

90.00 Stunden

Prüfungs­vorleistung(en)
Keine Angabe
Prüfungsleistung(en)

Schriftliche Prüfungsleistung
Prüfungsdauer: 90 min | Wichtung: 100 %

Lehrform

2/1/1  V/Ü/P

Medienform

Tafelskript, Online-Tutorials, Online-Simulatoren, begleitende Foliensätze und Literatur zum Selbsstudium

Lehrinhalte / Gliederung
  • Biologisches Neuron und dessen wesentliche Funktionen
  • Modell des formalen, statischen Neurons
  • Assoziativspeicher - Wiederholung lineare Algebra
  • Überwachte Lernverfahren
    • Lineare Separierung und Perceptron-Modell
    • Multilayer-Perceptron, Error-Backpropagation-Algorithmus und Erweiterungen
    • Radial-Basis-Functions(RBF)-Netze
  • Zusammenhang von Problem- Modellkomplexität, Verfahren zur Topologieoptimierung
  • Grundkonzepte des Deep Learning
  • Unüberwachte/Semi-unüberwachte Lernverfahren
    • Learning Vector Quantization
    • Self-Organizing Maps - Kohonen-Netzwerke
    • Neural-Gas-Netzwerk
  • Grundlagen des Reinforcement Learning
  • Ethische Aspekte
Qualifikationsziele

Die Teilnehmer:innen des Moduls

  • kennen die theoretischen Grundlagen der neuronalen Informationsverarbeitung und Wissensrepräsentation,
  • verstehen die Konzepte des überwachten, des nicht- bzw. semiüberwachten Lernens/Trainings und des Reinforcement Learnings und können die dazugehörigen Algorithmen und deren Vor- und Nachteile erklären,
  • sind in der Lage, vorliegende Problemstellungen (Klassifikation, Regression) zu analysieren und auf geeignete neuronale Verfahren abzubilden,
  • sind in der Lage, neuronale Modellkonzepte zur Problemlösung zu entwickeln und miteinander zu kombinieren,
  • können die mittels neuronaler Modelle erzielten Ergebnisse bewerten und kritisch reflektieren,
  • sind in der Lage, (neuro)informatische Aspekte in gesellschaftlich relevanten Ereignissen zu analysieren und zu bewerten,
  • erkennen und bewerten Herausforderungen der Berufsethik in der Arbeit von Informatikerinnen und Informatikern, können berufsethische Dilemmata identifizieren und analysieren und verstehen die gesellschaftliche Verantwortung von Informatik und deren Anwendungen.
Sozial- und Selbstkompetenzen

Die Teilnehmer:innen des Moduls

  • Anwendungsszenarien der KI, insbesondere beim Einsatz von neuronalen Modellen, hinsichtlich ethischer, sozialer und rechtlicher Implikationen zu bewerten und
  • können diese Implikationen artikulieren und im Team diskutieren.
Besondere Zulassungs­voraussetzung(en)

Keine

Empfohlene Voraussetzungen

Keine

Fortsetzungs­möglichkeiten

Modul I-833 Deep Learning im Masterstudiengang Angewandte Informatik

Literatur

David Kriesel: Ein kleiner Überblick über Neuronale Netze

  • https://www.dkriesel.com/science/neural_networks
Aktuelle Lehrressourcen
  • Foliensatz zur Lehrveranstaltung
  • elektronisch verfügbares Tafelmanuskript
  • Übungsaufgaben mit ausführlich erklärten Lösungen
  • Simulationssoftware für die Praktika
Hinweise
Keine Angabe